LLM 选股预测需要摩擦测试

今天最有价值的 AI 投资前沿信号，并不是又一个“语言模型可以预测股价”的说法，而是相反：任何 LLM 交易流程，都应该先看它能不能经受住数据泄漏控制、预测周期设计、流动性约束、交易成本和模型风险审查。过去 24–48 小时内高质量新来源偏少，所以今天选用一篇近期被研究周报重新提及、并与 2026 年 5 月 AI 会议录用相关的高信号论文：Zhilin Zhang 和 Zhang 的 arXiv 综述《A Review of Large Language Models for Stock Price Forecasting from a Hedge-Fund Perspective》。它现在的重要性在于实用性：它把 LLM 从“单独产生 alpha 的机器”，重新放回到生产级研究与交易流水线中的一个组件。

前沿信号

这篇论文是一篇综述，不是新的实盘交易系统。根据 arXiv 摘要，它综合梳理了 LLM 在股价预测中的近期应用，包括从金融新闻和社交媒体中提取情绪、分析财报和业绩电话会文本、对股价序列进行 token 化或符号化，以及构建多智能体交易系统。作者明确从对冲基金视角组织内容，并强调了一些在学术论文或演示型项目中经常被低估的问题：情绪分析的脆弱性、数据集和预测周期设计、评估指标、数据泄漏、非流动性溢价，以及股价可预测性的边界。

这个定位很重要。许多关于投资 AI 的讨论，仍然把问题压缩成“模型能不能预测下一期收益”。但对冲基金流程里的问题更苛刻：在严格时间戳、投资范围构建、借券和流动性约束、执行假设、风险限制和监控机制都加上之后，模型还能不能产生对决策有用的信号？一个模型在提示词窗口里看起来很聪明，但如果输入不是 point-in-time，标签没有对齐，或者所谓优势其实只是持有难交易股票的补偿，那它仍然不可用。

为什么投资者需要关心

LLM 会同时影响多个投资工作流。在研究环节，它可以把财报、电话会、新闻、卖方报告和社交数据整理成结构化特征。在信号生成环节，它可以把文本转化为事件分类、情绪估计、投资逻辑变化或因子暴露。在组合构建环节，它可以帮助解释为什么某个信号集中在特定行业、流动性分组或市场状态中。在运营和合规环节，它可以记录研究轨迹，并标注模型风险假设。

但同样的覆盖面也带来风险。如果 LLM 被用来总结电话会，一处幻觉式细节可能变成错误特征。如果它通过非 point-in-time 数据供应商读取财报，回测可能无意中包含了后续更正。如果它在没有严格发布时间戳的情况下处理历史新闻，就可能从当时并不可得的信息中推断出后续价格走势。如果评估忽略流动性，最强的“alpha”可能只是集中在以模型规模无法交易、或交易成本很高的股票上。

对投资者来说，结论是：LLM 预测不应该被当作一般的模型竞赛，而应该被看作基础设施问题。即使存在优势，也来自围绕模型建立一个纪律化的研究工厂：干净的时间戳、现实的标签、稳健的消融实验、容量检查、成本模型和可读的失败分析。

技术延伸

开发者可以把这篇综述中的主题映射为四层。

第一层是表示层。LLM 可以把混乱文本转化为特征：情绪、主题、事件类型、管理层语气、指引变化、诉讼风险、供应链暴露或宏观敏感度。对于价格序列，一些方法会把市场数据 token 化或符号化，使序列模型可以像处理语言一样处理它们。但这些都是特征工程选择，不是魔法。每一种表示都应该与更简单的基线比较，包括词袋、词典情绪、embedding、树模型，以及传统技术面或基本面因子。

第二层是标签和周期层。一天收益、一周残差收益、业绩窗口异常收益、以及按市场状态定义的回撤目标，是完全不同的任务。对业绩后漂移有帮助的 LLM 特征，可能对日内执行无效。从社交媒体提取的情绪，也许更适合预测关注度或波动率，而不是方向性收益。论文强调数据集和预测周期设计，这一点非常关键，因为许多被夸大的结果都始于标签错配。

第三层是评估层。最低可用测试应该包括时间顺序切分、point-in-time 数据可得性、事前固定的投资范围规则、交易成本假设、流动性过滤、换手率、容量和多种指标。单看夏普比率不够。开发者应该跟踪胜率、信息系数、回撤、换手率、暴露集中度、行业和 beta 暴露、尾部行为，以及不同市场状态下的表现。如果论文报告的是学术回测证据，就要标注为回测证据；如果供应商宣称已经部署，就要标注为供应商说法。这篇综述本身是综合梳理，因此不能被解读为“LLM 已经证明能产生可交易 alpha”。

第四层是工作流层。多智能体交易系统听起来很前沿，但生产价值可能来自更窄的智能体分工：一个智能体提取事件，另一个检查时间戳有效性，另一个把信号与基线因子比较，另一个撰写模型风险备忘录，还有一个为人工审查准备交易候选解释。这种架构没有“自主交易员”那么炫目，但更符合机构控制要求。

现实校验

核心失败模式是数据泄漏。LLM 流水线特别容易受到影响，因为它们经常摄入大规模、混合且不断更新的语料。泄漏可能来自修订后的基本面数据、编辑过的电话会文本、带有后续元数据的新闻数据库、基准成分股变化，或提示词中意外包含的未来上下文。泄漏不需要很明显，也足以让结果失效。

第二个失败模式是非平稳性。语言与市场之间的关系会变化。某个在一个市场阶段代表压力的表述，在另一个阶段可能只是模板化措辞。社交情绪可能被机器人、营销活动或拥挤交易主导。公司也会学习投资者和模型如何解析语言，从而改变电话会表达方式。

第三个失败模式是市场摩擦。非流动性溢价可能伪装成模型能力。回测可能过度配置小盘股、高买卖价差股票、高借券成本股票，或价格滞后的资产。一旦加入现实成本和容量限制，看起来有吸引力的优势可能缩小甚至消失。QuantSeeker 对这篇综述的摘要也强调了同一点：一些亮眼的 LLM 交易结果，在加入现实交易摩擦之后可能明显恶化。

第四个失败模式是采用风险。一个无法解释输入、时间戳假设和失败案例的模型，很难进入严肃的投资流程。问题不是 LLM 的答案听起来是否合理，而是在亏损之后，研究团队能否审计它。

开发者要点

• 在做更大模型之前，先建立 LLM 信号审计框架：point-in-time 检查、提示词和输入日志、数据集版本管理、泄漏测试，都应该是一等产物。
• 把 LLM 派生特征与简单基线和消融实验比较。如果情绪、embedding 或事件标签在扣除成本后无法击败更便宜的基线，就不要进入生产。
• 按预测周期和使用场景拆分任务：研究筛选、事件检测、波动率/关注度预测和收益预测，不应该共用一个泛化成功指标。
• 给每个实验加入摩擦指标：换手率、价差代理、流动性分组、容量、必要时的借券约束，以及估算成本后的表现。
• 相比全自动交易智能体，优先采用受控智能体工作流：提取、验证、解释和模型风险文档，是比直接下单更安全的第一批部署场景。

链接 / 来源

• https://arxiv.org/abs/2605.05211 — Zhilin Zhang 和 Zhang，《A Review of Large Language Models for Stock Price Forecasting from a Hedge-Fund Perspective》；arXiv 摘要说明了综述范围和实际陷阱，包括数据泄漏、非流动性溢价、评估指标和可预测性限制。
• https://www.quantseeker.com/p/weekly-research-recap-127 — 最近的 Weekly Research Recap 重新提及这篇论文，并总结了其关于数据泄漏、短样本、非流动性和交易摩擦的现实警告。

Read in English →